Blobfish AI

Blobfish AI aborda un cuello de botella concreto del post-entrenamiento de agentes: construir el primer conjunto de tareas es manejable, pero reconstruir el siguiente después de que el modelo mejora no lo es. Cuando un modelo supera un plan de estudios, esas tareas dejan de enseñar algo, y reunir otras nuevas mediante entrevistas a especialistas y sandboxes hechos a mano puede llevar meses. Blobfish sustituye ese reinicio manual por un bucle de generación continua.

Cada entorno es un mundo funcional, no un conjunto de datos estático. Incluye registros, archivos y estado conectados que se comportan como un lugar de trabajo real; servidores MCP simulados con una CLI de agente uniforme que cubre CRM, ERP y hojas de cálculo; flujos de trabajo fundamentados con dificultad ajustable y resultados conocidos; y verificadores deterministas que comprueban si el agente cambió el mundo correctamente. Como el estado final esperado se genera antes que la propia tarea, la verificación no depende de un juez de IA.

El método de generación se resume como "generar hacia delante, redactar hacia atrás": construir el mundo simulado, trazar un grafo de interacciones válidas entre herramientas, muestrear una ruta viable de llamadas con un estado final conocido y luego escribir la petición de usuario que exigiría naturalmente esa ruta. La empresa informa de experimentos tempranos en los que generó 2.000 entornos específicos de dominio para entrenar un modelo de 14.000 millones de parámetros que superó a un modelo DeepSeek mucho mayor en benchmarks de MCP. Está dirigido a equipos de post-entrenamiento e investigación más que a usuarios finales, así que la relación empieza con una conversación y no con un registro autoservicio.